基于Kinect和激光传感器的植株点云信息融合方法研究

摘要

植株三维点云信息获取与处理广泛应用于植株的生长状态监测、精密喷雾靶标检测和农业机器人的目标精准定位等研究领域。植株点云信息融合是农业智能化、精密化的研究热点，可以通过单一传感器不同角度信源或多传感器多信源信息融合实现空间、亮度、强度、色彩等信息互补，增强植株三维点云重构信息。针对传统点云配准方法精度低、速度慢的问题，本文采用 Kinect 传感器实现不同视角下植株点云深度及彩色信息，提出了改进SIFT-ICP算法的Kinect植株点云配准方法。进一步，为了避免 Kinect 受光照条件容易出现目标图像边缘缺失及黑洞等影响，采用SICK激光传感器获取植株三维点云信息，在此基础上研究了基于超体聚类的克里金植株点云插值方法，使得植株层次更加丰富，纹理更加清晰。最后，融合Kinect传感器和SICK激光传感器信息，利用激光传感器不受阳光干扰、Kinect传感器能够同时采集彩色与深度信息的优点，提出基于SICK和 Kinect 组合探测的植株点云超限补偿信息融合方法。主要研究内容和结论如下： (1) 针对传统点云配准精度低、速度慢的问题，提出了基于改进SIFT-ICP的Kinect植株点云配准方法，利用Kinect传感器实现不同视角下植株点云快速准确配准。首先，对点云进行预处理，去除背景及噪声，提取目标植株的点云，然后对目标进行SIFT关键点搜索、自适应法线估计、快速点特征直方图计算，再进行 SAC-IA初配准，实现点云空间位置的初始变换，然后再使用经过 Nanoflann改进后的ICP算法进行精确配准。试验获取植株在不同视角下的24片点云，首先对点云进行预处理，去除背景及噪声，得到仅含植株的点云，而后进行配准。和传统 ICP、PCA-ICP、SIFT-ICP 配准相比，配准误差分别由原来的 4.23cm、2.53cm、1.41cm下降到0.48cm，配准精度分别提升了88.7%、81.0%、66.0%，配准时间由原来的 56.2s、189.5s、138.6s 下降到 26.6s，配准时间分别降低了52.7%、86.0%、80.8%。为验证试验的稳定性，对植株视角间隔 30°的点云进行两两配准，试验结果表明，配准误差始终在0.7cm以内，配准时间不大于30s。考虑到 Kinect 受到阳光干扰会出现边缘缺失的情况，特进行了室外补充实验，进一步验证了算法的有效性。 (2) 针对 SICK 传感器在运动过程中重构点云稀疏的现象，以及传统点云插值效果不佳的现象，提出了基于超体聚类的克里金植株点云插值方法。采用分割后在再插值的方法实现点云的分区、分块插值。首先基于超体聚类进行全局分割，由于点云内部包含物体较多，环境比较复杂，容易出现物体堆叠现象，通过全局分割，实现不同物体点云之间的分割，解决了物体间点云插值混乱的问题。再对不同物体进行基于LCCP的单一物体内部分割，实现物体内部不同凹凸性点云区域分割。单一物体内部分割可以有效梳理物体内部结构，将复杂结构进行简单化分割，这样可以有效地降低插值难度。最后对不同的点云区域进行克里金插值，利用克里金插值算法的精准性实现对小区域点云的精准插值，对各小区域都插值后，实现点云的全局插值。试验表明，经过插值后的激光点云的数量明显增加，层次更加丰富，纹理更加清晰。 (3) 针对Kinect在室外容易出现边缘缺失和黑洞、传统点云信息融合时需要复杂标定并要求传感器之间位置固定，不能存在相对位移等问题，提出基于SICK和Kinect组合探测的植株点云超限补偿信息融合方法。通过SICK传感器获取到的点云进行重构，再进行分割插值，然后和 Kinect 获取到的点云进行预处理，提取出两片点云中目标植株进行配准，为加速配准过程，对两点云进行体素栅格下采样，在保证数据有效性的同时有效地降低了点云数量，采用初始配准加精确配准的方式，配准后的点云空间位置较接近，使用最近邻搜索初步实现SICK点云在 Kinect 点云中的对应点查找，为提高信息融合的准确性，设计了超限补偿的方法进行进一步融合，有效地更正了部分数据。试验结果表明，融合后的点云与原始点云图像相似度大于 90%，具有较高的准确性，解决了 Kinect 传感器室外使用受限的弊端。

目录

第一个书签之前